一种电力系统的调度方法、装置、设备及存储介质与流程

本技术涉及电力系统优化调度领域，尤其涉及一种电力系统的调度方法、装置、设备及存储介质。

背景技术：

1、随着新能源场站的大规模建设，以及分布式光伏并网规模的增大，分布式光伏的波动性和随机性等特点对电力系统的调峰调频带来巨大压力。另一方面，电力系统的负荷端也会受季节、节假日、个人习惯等因素而波动，同时工业、商业、居民用能的特点亦不相同。

2、因此，如何提供一种电力系统的调度方法，以实现电力系统的安全性和稳定性，成为本领域技术人员亟待解决的技术问题。

技术实现思路

1、有鉴于此，本技术提供了一种电力系统的调度方法、装置、设备及存储介质，用以实现电力系统的安全性和运行稳定性。

2、第一方面，本技术提供了一种电力系统的调度方法，所述方法包括：

3、获取待调度电力系统的区域净负荷数据，所述区域净负荷数据包括区域内负荷出力端与新能源出力端之间的差值；

4、利用预先训练的概率预测模型对所述区域净负荷数据进行概率预测，得到多个置信度以及所述多个置信度中每个置信度对应的净负荷预测区间；

5、将所述每个置信度对应的净负荷预测区间输入条件生成式对抗网络，通过所述条件生成式对抗网络输出每个净负荷预测区间对应的净负荷场景；

6、根据所述电力系统的约束条件和以系统运行成本最优的目标函数，采用粒子群算法对所述每个净负荷预测区间对应的净负荷场景进行计算，得到所述每个置信度对应的机组出力计划；

7、根据所述每个置信度对应的机组出力计划，对所述电力系统进行调度，得到调度后的电力系统。

8、可选地，所述概率预测模型的训练过程包括：

9、获取训练数据集，所述训练数据集包括历史净负荷数据和历史特征数据；

10、建立初始概率预测模型，基于蜣螂优化算法对所述初始概率预测模型的超参数进行优化，得到优化后的初始概率预测模型；

11、利用所述训练数据集，对所述优化后的初始概率预测模型进行训练，直至达到模型收敛条件时，得到训练后的概率预测模型。

12、可选地，在通过所述条件生成式对抗网络输出每个净负荷预测区间对应的净负荷场景之后，所述方法还包括：

13、利用模糊均值聚类算法对所述每个净负荷预测区间对应的净负荷场景进行特征提取，得到所述每个净负荷预测区间对应的净负荷场景的特征数据；

14、根据所述每个净负荷预测区间对应的净负荷场景的特征数据，利用模糊均值聚类算法将特征相似的净负荷场景聚类，得到筛减后的净负荷场景。

15、可选地，所述条件生成式对抗网络包括生成器和判别器；

16、所述条件生成式对抗网络的训练过程，包括：

17、获取训练数据集，所述训练数据集包括：多个净荷预测区间样本数据和所述多个净荷预测区间样本数据分别对应的净负荷场景真实值；

18、在附加条件下，通过所述生成器对所述多个净荷预测区间样本数据分别进行概率拟合，以得到所述多个净荷预测区间样本数据分别对应的多个概率分布结果；所述附加条件为多个净荷预测区间和时间戳；

19、通过所述生成器输出所述多个概率分布结果对应的净负荷场景伪值；

20、根据所述净负荷场景真实值和所述净负荷场景伪值对所述判别器和所述生成器进行训练，直至达到模型收敛条件时，输出训练完成的所述条件生成式对抗网络。

21、可选地，所述电力系统的约束条件包括：系统平衡约束条件、机组运行约束条件和光伏出力约束条件；

22、所述系统运行成本最优的目标函数包括：火电机组运行成本最优的目标函数，氢能设备运行成本最优的目标函数，光伏电站运行成本最优的目标函数和向电网售能获得的收益最优的目标函数；

23、所述根据所述电力系统的约束条件和以系统运行成本的目标函数，采用粒子群算法对所述每个净负荷预测区间对应的净负荷场景进行求解，得到所述每个置信度对应的机组出力计划，包括：

24、根据系统平衡约束条件、机组运行约束条件和光伏出力约束条件，以及火电机组运行成本最优的目标函数，氢能设备运行成本最优的目标函数，光伏电站运行成本最优的目标函数和向电网售能获得的收益最优的目标函数，采用粒子群算法对所述每个净负荷预测区间对应的净负荷场景进行计算，得到所述每个净负荷预测区间对应的净负荷场景的概率；

25、对所述每个净负荷预测区间对应的净负荷场景的概率进行加权求和，得到所述每个置信度对应的机组出力计划。

26、可选地，所述氢能设备包括制氢设备和氢燃料电池；

27、所述方法还包括：

28、根据所述制氢设备在每个净负荷场景下的调度出力、氢燃料电池在每个净负荷场景下的调度出力、所述制氢设备的出力成本系数和机组启停成本系数和所述氢燃料电池的出力成本系数和机组启停成本系数，得到所述氢能设备运行成本最优的目标函数。

29、第二方面，本技术提供了一种电力系统的调度装置，所述装置包括：

30、获取模块，用于获取待调度电力系统的区域净负荷数据，所述区域净负荷数据包括区域内负荷出力端与新能源出力端之间的差值；

31、预测模块，用于利用预先训练的概率预测模型对所述区域净负荷数据进行概率预测，得到多个置信度以及所述多个置信度中每个置信度对应的净负荷预测区间；

32、输出模块，用于将所述每个置信度对应的净负荷预测区间输入条件生成式对抗网络，通过所述条件生成式对抗网络输出每个净负荷预测区间对应的净负荷场景；

33、计算模块，用于根据所述电力系统的约束条件和以系统运行成本最优的目标函数，采用粒子群算法对所述每个净负荷预测区间对应的净负荷场景进行计算，得到所述每个置信度对应的机组出力计划；

34、调度模块，用于根据所述每个置信度对应的机组出力计划，对所述电力系统进行调度，得到调度后的电力系统。

35、可选地，所述概率预测模型的训练过程包括：

36、获取训练数据集，所述训练数据集包括历史净负荷数据和历史特征数据；

37、建立初始概率预测模型，基于蜣螂优化算法对所述初始概率预测模型的超参数进行优化，得到优化后的初始概率预测模型；

38、利用所述训练数据集，对所述优化后的初始概率预测模型进行训练，直至达到模型收敛条件时，得到训练后的概率预测模型。

39、第三方面，本技术实施例提供了一种电子设备，所述电子设备包括：

40、存储器，用于存储一个或多个程序；

41、处理器；当所述一个或多个程序被所述处理器执行时，实现前述第一方面任一项所述的电力系统的调度方法。

42、第四方面，本技术实施例提供了一种计算机存储介质，所述计算机存储介质中存储有程序，当所述程序被处理器执行时，实现前述第一方面任一项所述的电力系统的调度方法。

43、上述技术方案具有如下有益效果：

44、本技术实施例提供了一种电力系统的调度方法、装置、设备及存储介质。在执行所述方法时，首先获取待调度电力系统的区域净负荷数据；接着利用预先训练的概率预测模型对所述区域净负荷数据进行概率预测，得到多个置信度以及所述多个置信度中每个置信度对应的净负荷预测区间；然后将所述每个置信度对应的净负荷预测区间输入条件生成式对抗网络，通过所述条件生成式对抗网络输出每个净负荷预测区间对应的净负荷场景；并根据所述电力系统的约束条件和以系统运行成本最优的目标函数，采用粒子群算法对所述每个净负荷预测区间对应的净负荷场景进行计算，得到所述每个置信度对应的机组出力计划；最后根据所述每个置信度对应的机组出力计划，对所述电力系统进行调度，得到调度后的电力系统。

45、可见，本技术利用预先训练的概率预测模型对区域净负荷数据进行概率预测，并基于电力系统的约束条件和以系统运行成本最优的目标函数，采用粒子群算法对每个净负荷场景进行计算，得到所述每个置信度对应的机组出力计划，用于对所述电力系统进行调度，从而实现电力系统的安全性和运行稳定性。